本数据库通过收集和整理最新科研文献信息而得,供了解领域前沿进展之用。数据源自 PubMed Data ,每日自动更新(使用关键词“['deep learning']”过滤),已收录文献数量参见 统计表格。表格内容由 GPT 自动整理,可能存在错误或遗漏,请使用时务必注意核实!
如有建议或合作意向,欢迎联系 linlin.yan(AT)bioinfo.app 或 微信 yanlinlin82。本项目遵循 MIT 许可 发布,欢迎下载 源码 自行修改使用。如觉得不错,还请不吝 给我打赏,你的支持是我继续创新的重要动力!


除通过在线浏览外,为方便用户离线查阅,本站也提供 付费下载(定价19.9元)。之所以考虑收费,是因为批量扫描这些文献并整理也是有一定成本的,还请理解并多多支持。本站数据会持续更新,而仅需一次付费,未来就可以随时重新下载到最新版本数据。
| 序号 | 推送日期 | 文章 | 类型 | 简述 | 创新点 | 不足 | 研究目的 | 研究对象 | 领域 | 病种 | 技术 | 模型 | 数据类型 | 样本量 | 算法框架 | 模型架构 | 性能指标 | 计算资源 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 2026-11-23 |
High-Dimensional Multimodal Data Integration for Immune-Driven Diseases: A Practical Guide
2027, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-5607-5_21
PMID:42814337
|
综述 | 本章提供了一份实用指南,介绍如何整合CyTOF和scRNA-seq数据以研究免疫驱动疾病 | 提出整合CyTOF和scRNA-seq数据的实用工作流程,包括基于锚点的方法和多模态深度学习技术用于罕见亚群检测 | 未具体说明实验验证或定量性能评估,主要关注方法论指导 | 为免疫驱动疾病的高维多模态数据整合提供实践指导 | 免疫驱动疾病相关的单细胞多组学数据 | 数字病理学 | 免疫驱动疾病 | CyTOF(质谱流式细胞术)、scRNA-seq(单细胞RNA测序) | 多模态深度学习 | 单细胞多组学数据 | NA | OMIQ, R, Seurat | NA | NA | NA |
| 2 | 2026-11-23 |
Application of Artificial Intelligence in Cancer: A Comprehensive Review From Basic Research to Clinical Practice
2026-Dec, MedComm
IF:10.7Q1
DOI:10.1002/mco2.71160
PMID:43067911
|
综述 | 本文系统综述了人工智能在肿瘤学中从基础研究到临床实践的全流程应用,涵盖多模态AI框架、靶点发现、智能放疗及临床决策支持系统 | 系统整合多模态AI框架贯穿整个肿瘤学连续体,并评估联邦学习、可解释AI和患者数字孪生等新兴范式以解决转化瓶颈 | 讨论了黑箱不透明性、跨机构批次效应以及缺乏与电子健康记录整合等转化瓶颈,但作为叙述性综述未进行定量荟萃分析 | 综合评述AI在肿瘤学中从基础研究到临床实践的应用,为稳健且机制透明的AI框架整合提供战略路线图 | 肿瘤学中的高维多组学数据、影像组学、数字病理及临床数据 | 数字病理 | 癌症 | 影像组学,数字病理,多组学,CRISPR | Vision Transformer,U-Net,强化学习 | 图像,文本,多组学数据 | NA | NA | Vision Transformer,U-Net | NA | NA |
| 3 | 2026-11-23 |
Feasibility and image quality evaluation of accelerated T2-weighted and time-of-flight MRI using AI-assisted compressed sensing and deep reconstruction
2026-Dec, Journal of medical imaging and radiation sciences
IF:1.3Q3
DOI:10.1016/j.jmir.2026.102604
PMID:42790109
|
研究论文 | 评估AI辅助压缩感知与深度重建在加速T2加权和TOF MRI中的可行性和图像质量 | 结合AI辅助压缩感知数据采集与深度学习重建,实现更高加速因子下T2加权和TOF MRI的图像质量提升与扫描时间缩短 | 仅纳入少量健康志愿者,需在多样病理患者群体中进一步验证诊断性能,并需警惕AI相关风险如过度平滑或人工信号生成 | 评估使用AI辅助压缩感知和深度重建加速MRI采集的可行性,通过扫描时间、定量图像质量和放射科医生评分图像质量进行评价 | 健康志愿者 | 医学影像 | NA | MRI,AI辅助压缩感知,深度学习重建 | 深度学习重建 | 图像 | T2加权11名健康志愿者,TOF 10名健康志愿者 | NA | NA | 信噪比,五点Likert量表评分(整体图像质量、对比度、锐度、噪声、伪影) | NA |
| 4 | 2026-11-23 |
Radiomics and its application to neuro-oncology: A narrative review of advances, clinical application and implementation challenges
2026-Dec, Journal of medical imaging and radiation sciences
IF:1.3Q3
DOI:10.1016/j.jmir.2026.102568
PMID:42748856
|
综述 | 本文通过叙述性文献综述探讨了放射组学和人工智能在神经肿瘤学中的诊断、预后和治疗潜力 | 系统总结了放射组学在胶质瘤术前分类、生存预测、肿瘤进展与假性进展鉴别中的应用,并强调了放射基因组学将图像表型与遗传改变相联系以促进个性化医疗的潜力 | 缺乏标准化协议、分割变异性大以及缺乏经过验证的多中心研究 | 探讨放射组学和人工智能在神经肿瘤学中的作用,重点关注其诊断、预后和治疗潜力 | 神经肿瘤学相关的医学影像数据(MRI、CT、PET/CT) | 医学影像分析 | 脑肿瘤 | 放射组学、人工智能、深度学习、放射基因组学 | 深度学习算法 | 医学影像(MRI、CT、PET/CT) | NA | NA | NA | NA | NA |
| 5 | 2026-11-23 |
Predicting long-term tumor response to Gamma Knife radiosurgery in vestibular schwannoma: an integrated model of auto-segmentation, MRI radiomics, and dosimetric parameters
2026-Nov-22, Journal of neuro-oncology
IF:3.2Q2
DOI:10.1007/s11060-026-05859-y
PMID:43068404
|
研究论文 | 该研究开发了一个整合深度学习自动分割、MRI放射组学和剂量学参数的框架,用于预测前庭神经鞘瘤患者接受伽玛刀放射外科治疗后的长期肿瘤反应。 | 结合nnU-Net自动分割与两阶段机器学习框架,并融合治疗前MRI放射组学特征、临床变量和剂量相关参数,用于区分肿瘤消退与非消退以及直接消退与延迟消退。 | 样本量相对有限(155例),且研究为回顾性设计;仅使用单一类型MRI序列和特定治疗方式,外部泛化能力需进一步验证。 | 预测前庭神经鞘瘤患者接受伽玛刀放射外科治疗后的长期肿瘤反应模式。 | 前庭神经鞘瘤患者。 | 医学影像分析 | 前庭神经鞘瘤 | MRI放射组学、深度学习自动分割、伽玛刀放射外科 | nnU-Net、平衡随机森林、支持向量机 | MRI图像、临床数据、剂量学数据 | 155例患者;外部测试数据集用于nnU-Net评估 | NA | nnU-Net、平衡随机森林、支持向量机 | Dice相似系数、准确率、AUROC、AUPRC | NA |
| 6 | 2026-11-23 |
The evolution of microRNA target prediction: from seed-based heuristics to deep learning and context-aware frameworks
2026-Nov-21, Mammalian genome : official journal of the International Mammalian Genome Society
IF:2.7Q2
DOI:10.1007/s00335-026-10296-3
PMID:43067613
|
综述 | 本文综述了microRNA靶点预测从基于种子序列的启发式方法到深度学习及上下文感知框架的演变 | 系统整合了深度学习、可解释人工智能(XAI)和组织特异性数据在miRNA靶点预测中的协同应用,并提出了克服传统局限性的框架 | 当前计算流程未能整合非经典相互作用、isomiR和可变多聚腺苷酸化等新兴生物学变量,且缺乏位点、基因和条件层面的标准化以及模型可解释性不足 | 综合快速发展的算法进展,评估深度学习、XAI和组织分辨数据如何协同克服传统miRNA靶点预测的局限性 | 哺乳动物microRNA靶点预测的计算方法 | 机器学习 | NA | CLIP-seq,多组学数据整合 | 深度学习,机器学习 | 序列数据,多组学数据,CLIP-seq数据,组织特异性表达数据 | NA | NA | NA | NA | NA |
| 7 | 2026-11-23 |
SonoDeliNet: A novel multimodal deep learning framework for normal delivery prediction using obstetric sonography data
2026-Nov-21, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2026.112079
PMID:43067184
|
研究论文 | 提出了一种名为SonoDeliNet的多模态深度学习框架,利用产科超声图像和患者记录预测正常阴道分娩,并将分娩分为四类 | 结合ResNet-50、Vision Transformer和LSTM处理超声图像与临床记录的多模态数据,实现四类分娩预测,性能显著优于基线方法 | 摘要中未明确提及 | 利用深度学习辅助医生预测分娩方式,减少不必要的剖宫产 | 产科超声图像数据和患者记录 | 医学图像分析 | 产科疾病 | 超声成像 | CNN, Transformer, LSTM | 图像, 文本/临床记录 | NA | NA | ResNet-50, Vision Transformer, LSTM | 准确率, 宏平均F1分数, AUC-ROC | NA |
| 8 | 2026-11-23 |
Harnessing AI for plastic waste solutions: Trends in smart sorting and biodegradation
2026-Nov-21, Journal of environmental management
IF:8.0Q1
DOI:10.1016/j.jenvman.2026.131420
PMID:43067006
|
综述 | 本文综述了人工智能在塑料废物管理全流程中的应用,包括智能分拣、生物降解微生物与酶的发现与工程化改造、降解性能评估及毒性预测 | 系统整合了从塑料分拣到降解调控及毒性评估的全链条AI应用,强调多模态智能分拣、AI辅助降解酶发现与工程化、以及降解性能与环境安全一体化评估的进展 | 领域进展仍较为分散,缺乏贯穿分拣到降解调控及毒性评估全链条的集成性综合分析,且缺少标准化的多模态数据集和基准 | 梳理和总结AI在塑料废物智能分拣与生物降解领域的最新趋势,并展望未来发展方向 | 塑料废物,包括具有C-C和C-X骨架的代表性塑料,以及降解微生物和酶 | 机器学习 | NA | 计算机视觉,深度学习,机器学习辅助光谱分析,酶工程,代谢网络重构,通量优化,通路设计 | NA | 图像,光谱数据,多模态数据 | NA | NA | NA | NA | NA |
| 9 | 2026-11-23 |
Cutaneous myxovirus resistance protein A expression is associated with quantitative CT abnormalities in dermatomyositis-associated interstitial lung disease
2026-Nov-21, Immunological medicine
IF:2.7Q2
DOI:10.1080/25785826.2026.2766682
PMID:43066944
|
研究论文 | 本文研究了皮肌炎患者皮肤中MxA表达与定量CT肺部异常之间的关联 | 首次探讨皮肤MxA表达与皮肌炎相关间质性肺病定量CT异常之间的关联 | 样本量较小(24例),且仅在ILD患者中观察到较弱且不显著的相关性 | 探讨皮肤MxA表达是否与皮肌炎患者定量CT肺部异常相关 | 24例接受诊断性皮肤活检的皮肌炎患者(其中18例合并ILD) | 数字病理 | 皮肌炎相关间质性肺病 | 皮肤活检免疫组化染色、高分辨率CT、深度学习定量分析 | 深度学习模型 | 图像(皮肤免疫组化图像和CT图像) | 24例患者 | NA | NA | Spearman相关系数 | NA |
| 10 | 2026-11-23 |
Extraction of standard molecular patterns from drug candidates using explainable graph neural networks
2026-Nov-21, Journal of computer-aided molecular design
IF:3.0Q2
DOI:10.1007/s10822-026-00961-9
PMID:43066807
|
研究论文 | 该论文提出一个两步框架,首先使用基于图神经网络的药物-靶点相互作用模型预测候选药物,然后通过可解释的图神经网络提取标准分子模式 | 提出两步框架,结合GNNbasedDTI模型和xGNNforSMP模型,从药物候选中提取标准分子模式,并引入SMPPatternExtractor计算模式频率,提高了模型的可解释性 | 未明确提及 limitations | 从药物候选中提取标准分子模式,提高药物-靶点相互作用预测的可解释性 | 药物候选分子和蛋白质序列 | 药物发现, 图神经网络 | NA | 图神经网络, 可解释性分析 | GNN | 图数据, 蛋白质序列 | Davis和Kiba数据集(具体样本数未提供) | NA | GNNbasedDTI, xGNNforSMP | Fidelity, Sparsity, MSE, CI | NA |
| 11 | 2026-11-23 |
AI-based contrast dose reduction in brain MRI: systematic review and exploratory meta-analysis of AI-generated post-contrast images
2026-Nov-21, European radiology
IF:4.7Q1
DOI:10.1007/s00330-026-13101-6
PMID:43066745
|
系统综述与探索性荟萃分析 | 评估人工智能算法通过低剂量输入生成合成增强图像,从而减少脑MRI中钆剂使用的性能 | 系统汇总并定量分析AI生成合成增强脑MRI图像的技术性能,评估其在显著降低对比剂剂量下的可行性 | 研究间异质性显著,外部验证有限,缺乏面向临床的诊断结局指标,限制了证据的可解释性和泛化性 | 评估AI算法在脑MRI中减少钆剂给药、由低剂量输入生成合成增强图像的性能 | 脑MRI增强检查患者及AI生成的合成增强脑MRI图像 | 医学影像人工智能 | 脑部疾病 | 脑MRI增强成像,钆对比剂剂量 reduction,AI合成图像生成 | 卷积神经网络 | 图像 | 12项研究,共3846例患者 | NA | 卷积神经网络 | PSNR, SSIM | NA |
| 12 | 2026-11-23 |
From Technical Performance to Clinical Impact: Challenges and Opportunities for AI Modelling of CKD Progression
2026-Nov-21, Nephron
IF:2.3Q2
DOI:10.1159/nef/adtag022
PMID:43066646
|
综述 | 该文系统综述了2020至2025年间35项利用人工智能预测慢性肾脏病进展的研究,评估其方法学质量与临床转化就绪度 | 从技术性能到临床影响的角度系统梳理AI预测CKD进展的证据,强调外部验证、校准评估、决策曲线分析及公平性评估等转化关键环节的缺失 | 纳入研究在设计、队列构成、预测目标、时间跨度、特征工程和验证策略上异质性大,仅约四分之一研究报告外部验证,校准、临床效用和患者层面不确定性评估不一致 | 描绘AI预测慢性肾脏病进展的研究现状,评估证据的稳健性与临床相关性,识别从技术准确性走向临床影响所需解决的方法学与实施差距 | 2020至2025年发表的35项开发与评估CKD进展预测模型的研究 | 机器学习 | 慢性肾脏病 | NA | 树模型、随机森林、提升方法、回归模型、神经网络 | 电子健康记录数据、表格型临床数据 | 35项研究 | NA | NA | AUROC、C-index | NA |
| 13 | 2026-11-23 |
Deep learning-based CT segmentation of mandibular bone invasion in oral squamous cell carcinoma
2026-Nov-21, BMC oral health
IF:2.6Q1
DOI:10.1186/s12903-026-10471-7
PMID:43065017
|
研究论文 | 本研究评估了基于深度学习的CT自动分割下颌骨及口腔鳞状细胞癌侵犯区域的技术可行性,并探索了基于中心线的肿瘤纵向范围评估以辅助CAD/CAM手术规划 | 首次将MedNeXt架构结合nnU-Net用于口腔鳞状细胞癌下颌骨侵犯的CT自动分割,并提出基于中心线投影的纵向侵犯范围评估方法 | 回顾性概念验证研究,样本量较小(50例),侵犯区域分割精度有限(DSC 0.553),2例完全漏检,需更大规模多中心研究和前瞻性临床验证 | 评估下颌骨及影像学可见骨侵犯自动分割的技术可行性,探索基于中心线的肿瘤纵向范围评估以支持虚拟手术规划和CAD/CAM规划 | 50例经组织病理学确诊下颌骨侵犯的口腔鳞状细胞癌患者的术前CT检查 | 医学图像分割 | 口腔鳞状细胞癌 | CT影像 | CNN | 三维医学图像 | 50例术前CT检查(30例用于模型开发,20例用于独立测试) | nnU-Net | MedNeXt | Dice相似系数, 精确率, 召回率, 平均对称表面距离, 95%豪斯多夫距离, 侵犯范围差异, 中心线投影端点误差 | NA |
| 14 | 2026-11-23 |
Deep learning-based assessment of residual breast cancer after neoadjuvant treatment predicts outcomes
2026-Nov-20, Breast (Edinburgh, Scotland)
DOI:10.1016/j.breast.2026.104971
PMID:43067333
|
研究论文 | 该研究开发了一种可解释的深度学习流程,用于在新辅助治疗后的乳腺癌标本上量化残留病灶,并评估其预后价值 | 首次应用自动化可解释深度学习流程从常规HE切片中提取肿瘤组织比、肿瘤-肿瘤+间质比、侵袭性癌细胞密度和AI-RCB评分,并与病理学家评估的细胞密度强相关,且能独立预测无病生存和总生存 | 作为概念验证研究,样本量有限(527例),需在更大多中心队列中验证;AI-RCB评分尚未与标准RCB进行前瞻性比较 | 评估基于深度学习的残留病灶量化指标对新辅助治疗后乳腺癌患者的预后预测价值 | 接受新辅助治疗的乳腺癌患者术后标本HE全切片图像 | 数字病理学 | 乳腺癌 | HE染色全切片图像分析,深度学习 | 深度学习模型(未指定具体架构) | 图像 | 527例患者的1301张全切片图像 | NA | NA | Cox比例风险模型的风险比和p值,Spearman相关系数ρ | NA |
| 15 | 2026-11-23 |
Development and Application of Deep Learning Models for Case Finding From Pathology Reports in a Hospital-Based Cancer Registry: Algorithm Development and Validation
2026-Nov-20, JMIR medical informatics
IF:3.1Q2
DOI:10.2196/92814
PMID:43066931
|
研究论文 | 该研究开发并验证了用于在医院癌症登记处从病理报告中查找病例的深度学习模型,比较了不同监督标签策略对模型性能的影响 | 系统评估了不准确、不精确和报告级三种弱监督标签策略对癌症病例查找模型性能的影响,并揭示了报告级标注模型在患者级评估中过拟合于原发肿瘤模式的问题 | 研究仅在单一三级转诊医院进行,假阴性主要由机构数据不足(转诊患者缺乏原发诊断报告)导致,模型的泛化能力仍需多中心验证 | 评估不同监督方法对深度学习模型在医院癌症登记处病例查找中性能的影响,并评估模型在患者级和报告级分类任务中的泛化能力 | 宋卡纳加林医院2005至2023年的医院癌症登记数据和病理报告 | 数字病理学 | 癌症 | 自然语言处理,病理报告文本分析 | CNN,多层感知机,循环神经网络,分层自注意力网络,词嵌入模型 | 文本 | 宋卡纳加林医院2005至2023年的医院癌症登记和病理报告数据(具体样本量未在摘要中说明) | NA | CNN,多层感知机,循环神经网络,分层自注意力网络,词嵌入模型 | AUC(受试者工作特征曲线下面积),准确率 | NA |
| 16 | 2026-11-23 |
Enhanced prognosis stratification following surgery for pancreatic ductal adenocarcinoma to optimize clinical decisions by reflecting tumor heterogeneity and microenvironment
2026-Nov-20, Insights into imaging
IF:4.1Q1
DOI:10.1186/s13244-026-02451-w
PMID:43064878
|
研究论文 | 本研究开发并外部验证了一个整合深度学习影像组学特征与临床病理变量的预后分层系统,用于胰腺导管腺癌术后风险分层 | 构建了基于多平面Swin Transformer的深度学习分类器(OP-PDAC),并结合临床病理变量开发了智能预后分层系统(IPSS-PDAC),通过放射基因组学分析揭示了高风险患者的免疫抑制肿瘤微环境特征 | 研究为回顾性多中心设计,放射基因组学分析仅纳入41例患者,样本量相对有限,需进一步前瞻性验证 | 开发并外部验证一个整合预后系统,通过反映肿瘤异质性和微环境来优化胰腺导管腺癌术后的临床决策 | 接受R0手术切除的胰腺导管腺癌患者 | 数字病理学, 医学影像分析 | 胰腺癌 | 多平面对比增强CT扫描, 放射基因组学分析 | Swin Transformer, 深度学习 | 图像, 临床病理数据, 基因组数据 | 592例患者(其中41例进行放射基因组学分析) | NA | Swin Transformer | C-index, log-rank p值 | NA |
| 17 | 2026-11-23 |
A comparative study of quantum-inspired Gaussian Boson Sampling, dynamic programming, and machine learning methods for RNA folding prediction
2026-Nov-20, Bio Systems
DOI:10.1016/j.biosystems.2026.106010
PMID:43064227
|
研究论文 | 比较量子启发高斯玻色采样、动态规划和机器学习方法在RNA二级结构预测中的表现 | 提出无需训练的量子启发GBS方法用于RNA折叠预测,并展示其可解释性和可扩展性 | GBS方法在绝对配对精度上低于深度学习方法 | 评估量子启发方法在RNA二级结构预测中的可行性,并全面比较经典、深度学习和量子启发算法 | RNA序列及其二级结构 | 机器学习 | NA | 高斯玻色采样 | NA | 序列 | NA | NA | NA | 配对准确率, 能量目标值 | NA |
| 18 | 2026-11-23 |
Integrating distributed lag non-linear models and deep learning reveals meteorological drivers of influenza A and B positivity in a 6-year subtropical surveillance study
2026-Nov-20, eLife
IF:6.4Q1
DOI:10.7554/eLife.107767
PMID:43063020
|
研究论文 | 该研究结合分布式滞后非线性模型与深度学习,分析亚热带地区流感A型和B型阳性率的气象驱动因素,并进行短期预测 | 将可解释的分布式滞后非线性模型与贝叶斯优化的LSTM深度学习预测相结合,在测试波动条件下使用检测阳性率作为主要结局以减少监测偏倚,并引入协变量消融和SHAP分析解释预测稳定性 | 外部验证仅在三明市提供初步的区域可移植性证据,样本区域有限,深度学习模型的可解释性仍部分依赖事后分析 | 在监测条件变化的亚热带地区,识别流感A型和B型阳性率的气象驱动因素并实现短期预测 | 中国东南部莆田市2018至2023年的多站点流感监测数据,以及三明市的外部验证数据 | 机器学习 | 流感 | 分布式滞后非线性模型, 深度学习预测, 贝叶斯优化 | LSTM, ARIMA, XGBoost | 时间序列监测数据, 气象数据, 社会行为协变量 | 莆田市2018至2023年6年多站点流感监测数据及三明市外部验证数据,具体样本量未在摘要中给出 | NA | LSTM, ARIMA, XGBoost | 平均绝对误差, 对称平均绝对百分比误差, 相对风险, 95%置信区间 | NA |
| 19 | 2026-11-23 |
Transfer learning for multi-class oral epithelial dysplasia grading: architecture, activation, and split-size effects on training convergence and test performance
2026-Nov-20, The Saudi dental journal
DOI:10.1007/s44445-026-00233-0
PMID:43062772
|
研究论文 | 该研究开发了一个基于斑块的自动深度学习框架,用于从组织病理学图像中进行多类口腔上皮异型增生的分级 | 系统地评估了七种迁移学习架构、两种激活函数(ReLU和Leaky ReLU)以及两种数据划分比例(80:20和90:10)对训练收敛和测试性能的影响,并揭示了模型崩溃现象 | 使用了本地获取的有限数据集(94名患者),模型崩溃现象表明优化不稳定性,且仅评估了特定架构和激活函数组合 | 提高从组织病理学组织图像中进行多类口腔上皮异型增生分级的准确性 | 口腔上皮异型增生组织病理学图像 | 数字病理学 | 口腔癌 | 组织病理学图像分析 | CNN | 图像 | 来自94名患者的3,777个组织条,生成15,108个训练样本 | NA | VGG16, ResNet152V2, InceptionV3, MobileNetV2, Xception, DenseNet201, InceptionResNetV2 | 准确率, 加权F1分数 | NA |
| 20 | 2026-11-23 |
Augmenting the CATH database: a synthetic protein database for training biophysical-aware inverse folding models
2026-Nov-20, Journal of computer-aided molecular design
IF:3.0Q2
DOI:10.1007/s10822-026-00979-z
PMID:43062557
|
研究论文 | 该研究通过对CATH 4.3数据库中的蛋白质序列进行多目标优化,构建了富含生物物理特性的合成蛋白质数据集,并研究了其对逆折叠模型训练的影响 | 通过启发式Metropolis-Hastings优化方法对天然蛋白质序列进行稳定性、溶解性和灵活性的多目标优化,构建了生物物理特性丰富的合成蛋白质数据集,并证明了在不改变模型架构的情况下,仅通过数据优化即可显著改善生成蛋白质的生物物理特性 | 仅使用了PiFold一种模型架构进行验证,优化后的数据集可能存在一定的分布偏差,生物物理特性预测依赖于计算工具而非实验验证 | 研究数据中心的策略在蛋白质逆折叠问题中的作用,特别是通过生物物理特性优化的训练数据来改善生成蛋白质的稳定性和溶解性 | CATH 4.3数据库中的21,668条蛋白质序列 | 蛋白质工程 | NA | HMHO多目标优化, ESMFold结构预测, ESM-2序列评分 | PiFold | 蛋白质序列和结构数据 | 21,668条CATH 4.3蛋白质序列用于训练数据优化,200个蛋白质用于生物物理特性评估,155个共同蛋白质用于配对分析,161个蛋白质用于结构分析 | NA | PiFold | 不稳定性指数, 预测溶解性, 序列恢复率, 预测置信度, TM-score, RMSD, pLDDT, ESM-2零样本序列评分 | NA |